A limitação atual A transição para sistemas energéticos sustentáveis e de baixo carbono é um dos desafios mais difíceis do nosso tempo. As cidades acolhem agora a maior parte da população mundial, com a expansão urbana a aumentar o consumo de energia devido ao clima, à socioeconomia e à demografia (1). De acordo com o IPCC AR6, os edifícios foram responsáveis por cerca de 21% das emissões globais de gases com efeito de estufa em 2019, cerca de 12 Gt CO₂-eq (2). No entanto, estes números gerais centram-se frequentemente nos edifícios como unidades únicas, ignorando os consumidores reais que moldam a utilização de energia. O uso de energia pelas pessoas não é uniforme; varia de acordo com o clima, renda, geografia e contexto social (3)(4). Ainda assim, muitos modelos tratam os consumidores como um tipo de agente com as mesmas características, o que leva a projeções enganosas e a resultados políticos insatisfatórios. Para orientar uma transição energética realista e justa, precisamos de incluir as condições heterogéneas, diversas e em evolução dos reais consumidores de energia, tomando decisões limitadas sob restrições externas.
A lacuna A maioria dos modelos climático-energético-económicos simplifica e homogeneiza milhões de consumidores num agente “representativo” e best (5)(6)(7). Esta abordagem pressupõe que todos são racionais, totalmente informados e movidos principalmente pelos preços, ignorando factores-chave como a procura de energia impulsionada pelo clima, a distribuição de rendimentos e as mudanças demográficas. As pessoas que vivem em regiões mais frias têm necessidades distintas de aquecimento, enquanto as que vivem em climas mais quentes têm necessidades de arrefecimento. Os níveis de rendimento variam amplamente e determinam o acesso a tecnologias eficientes, independentemente das suas necessidades reais. Ao ignorar estas diferenças, os modelos produzem previsões imprecisas e conselhos políticos falhos. Sabemos que isto não é realista, mas a prática persiste. Precisamos de modelos que reflitam como os consumidores realmente vivem, trabalham e utilizam a energia, avaliações realistas. Isto significa representar a sua heterogeneidade, diversidade, mudanças ao longo do tempo e tomada de decisão limitada por factores externos.
A novidade (solução) Esta pesquisa apresenta métodos de inteligência synthetic geoespacial (GeoAI) para modelar consumidores de energia com mais precisão. A GeoAI combina a aprendizagem automática com a análise de huge knowledge geoespacial (8) para definir e caracterizar os consumidores de energia a nível mundial, de acordo com o seu nível de rendimento, as suas necessidades reais de energia com base nas realidades climáticas e a sua propensão para utilizar tecnologias energéticas. Ao explorar grandes conjuntos de dados globais, podemos captar o clima (mudanças na procura de energia) (9), a demografia (crescimento populacional, densidade) (10) e factores socioeconómicos (rendimento, IDH) (10). Isto permite-nos ir além de simples suposições e construir uma visão realista dos consumidores de energia em todo o mundo. Quando combinamos múltiplas camadas geoespaciais, podemos detectar padrões e clusters que destacam como as condições variam de acordo com o native. Embora o potencial da GeoAI seja enorme, poucos enquadramentos globais adaptam-na para definir os consumidores de energia. Esta pesquisa aborda essa lacuna.
Fig 1. Distribuição world dos consumidores de energia sob duas (superior) e três (inferiores) características geoespaciais.
O que torna este estudo novo é a sua definição world de uma gama de consumidores de energia, abrangendo regiões frequentemente negligenciadas, o Sul World. Estas regiões, apesar de terem condições climáticas comparáveis às do Norte World, podem não ter os recursos financeiros necessários para investir em tecnologias mais eficientes. Isto é particularmente verdade quando as necessidades básicas como abrigo, água potável, saneamento e educação ainda não são adequadamente satisfeitas. Usamos GeoAI-ML em dados em grade de 1 km² de clima, socioeconomia e demografia globalmente, no Norte World e no Sul World, observando uma série de realidades energéticas. Definimos os agentes consumidores de energia pela heterogeneidade (3 parâmetros geoespaciais), diversidade (8 parâmetros) e evolução (2 parâmetros). Em vez de vermos os consumidores como hiper-racionais (agentes representativos que buscam soluções ótimas), consideramos a racionalidade limitada e as restrições externas, como sugerido por Simon (11), Bardazzi e Bosello (12), Karjalainen et al. (13), Shaikh (5) e Farmer e Foley (14), entre outros (15). Ao adicionar parâmetros baseados em evidências climáticas, socioeconómicas e geográficas, tornamos a representação do consumidor mais realista. Esta compreensão da procura de energia a nível micro ajuda a melhor conceber políticas a nível macro.
Resultados A Figura 1 (topo) mostra uma representação geoespacial world dos agentes obtida pela sobreposição do PIB per capita reclassificado (PIBpc) e da procura de aquecimento per capita (HDpc). Esta combinação produz vinte e quatro agentes distintos quando seis courses PIBpc são cruzadas com quatro courses HDpc. Os agentes com PIBpc e HDpc mais baixos aparecem em regiões como OCSA, OAFR, CHN e ODA, enquanto os agentes com PIBpc-HDpc mais elevados estão principalmente nos EUA e na Europa. Estes resultados destacam como as variações do PIBpc e do HDpc definem a distribuição dos agentes e sublinham a sua heterogeneidade. A Figura 1 (parte inferior) adiciona um terceiro atributo, Densidade de calor (HD), para melhor refletir as tecnologias potenciais que os agentes podem adotar. A inclusão da densidade da procura de energia oferece uma visão mais detalhada sobre possíveis soluções espacialmente adequadas, tais como sistemas de aquecimento urbano em áreas com densidades de aquecimento mais elevadas. Este quadro identifica 9 agentes principais (A1, A3, A4, A7, A8, A9, A11, A12, A13) que representam colectivamente a maior parte do PIB world, do consumo residencial de aquecimento e arrefecimento e da população. A sua diversidade nas courses PIBpc e HDpc, e a variação na utilização de energia, criam uma base clara, reprodutível e compreensível para avaliar as transições energéticas a longo prazo.
Implicações políticas
Se os modelos ignorarem a dimensão do consumidor, arriscam-se a cometer grandes erros. Sem ligar as diferenças climáticas, demográficas e socioeconómicas, a política poderá visar os grupos errados ou basear-se em estimativas de custos irrealistas e no desenvolvimento de impostos sobre o carbono. Propomos uma definição de consumidor geoespacial que respeite as diferenças locais em cada 1 km2. Os modelos tradicionais agrupam milhões de consumidores num único agente representativo, assumindo uma racionalidade irrealista a nível nacional ou mesmo a nível regional. A nossa abordagem quebra essa simplificação com uma parametrização detalhada dos consumidores: características geoespaciais, diversidade, sua evolução ao longo do tempo, tomada de decisão e restrições externas. Isto produz melhores insights para o planejamento de longo prazo, como pode ser visto na Figura 2.
Fig 2. Procura e oferta world de energia por consumidores que são heterogéneos, diversos, em evolução, tomando decisões limitadas sob restrições exógenas.
Os modelos que ignoram estas nuances produzem frequentemente cenários excessivamente optimistas. Sem incluir a complexidade e as realidades dos consumidores, perdemos a oportunidade de perceber como certos grupos terão dificuldade em adoptar novas tecnologias eficientes e de baixo carbono. Ao integrar o nosso quadro geoespacial de consumo, os modelos climático-energético-económicos podem criar estratégias mais precisas e realistas. Consideramos que os níveis de rendimento, a procura de aquecimento e o IDH reflectem as condições reais do consumidor no sentido de uma concepção de políticas mais realista. Com uma visão world e de alta resolução, compreendemos melhor as diferenças locais, ajudando a evitar soluções padronizadas que não funcionam em todos os lugares.
A adopção destas conclusões em modelos pode orientar políticas que garantam que as tecnologias renováveis cheguem àqueles que mais precisam delas. Pode destacar onde investir na eficiência energética ou onde subsidiar determinadas soluções. Não captar esta dinâmica corre o risco de políticas que parecem boas no papel, mas que falham na realidade, apenas porque o orçamento do consumidor de energia, por exemplo, é deliberadamente omitido na análise. Ao incluir toda a complexidade dos consumidores de energia, obtemos estratégias com maior probabilidade de produzir resultados equitativos, eficazes e sustentáveis.
Referências
(1) D. o. E. a. SA Nações Unidas, “Perspectivas de urbanização mundial: A revisão de 2022,” Departamento de Economia e Assuntos Sociais das Nações Unidas, Divisão de População: Nova Iorque, NY, EUA, vol. 41, 2015. (On-line). Disponível: https://inhabitants.un.org/wup/Publications/.
(2) Painel Intergovernamental sobre Mudanças Climáticas (IPCC), “Edifícios”, em Mudanças Climáticas 2022 – Mitigação das Mudanças Climáticas: Contribuição do Grupo de Trabalho III para o Sexto Relatório de Avaliação do Painel Intergovernamental sobre Mudanças Climáticas. Cambridge: Cambridge College Press, 2022, pp.
(3) DH Vo, AT Vo e CM Ho, “Compreendendo as características da transição energética doméstica em um país em desenvolvimento”, Helião, vol. 10, não. 1, pág. e23977, 2024/01/15/2024, doi: https://doi.org/10.1016/j.heliyon.2024.e23977.
(4) C. Camarasa e outros.“Uma comparação world de cenários de descarbonização da construção até 2050 em direção às metas de 1,5–2 °C,” Comunicações da Natureza, vol. 13, não. 1, pág. 3077, 2022/06/02 2022, doi: 10.1038/s41467-022-29890-5.
(5) A. Shaikh, Capitalismo: Competição, conflito, crises. Imprensa da Universidade de Oxford, 2016.
(6) MC Jensen e WH Meckling, “Teoria da empresa: comportamento gerencial, custos de agência e estrutura de propriedade,” Jornal de Economia Financeira, vol. 3, não. 305-360, 1976.
(7) C. Campbell e H. Schau, “Além das necessidades e desejos: como atores econômicos hiper-racionais em rede “ganham” o negócio, mas “perdem” a viagem de compras,” ACR Avanços na América do Norte, 2018.
(8) J.‑G. Lee e M. Kang, “Massive Knowledge Geoespacial: Desafios e Oportunidades”, Pesquisa de Massive Knowledge, vol. 2, não. 2, pp. 74-81, 2015/06/01/2015, doi: doi.org/10.1016/j.bdr.2015.01.003.
(9) J. Sachs, D. Moya, S. Giarola e A. Hawkes, “Agrupados espacialmente e temporalmente resolvidos a demanda world de energia de calor e resfriamento no setor residencial”, Energia Aplicada, vol. 48-62, 2019/09/15/2019, doi: 10.1016/j.apenergy.2019.05.011.
(10) M. Kummu, M. Taka e JH Guillaume, “Conjuntos de dados globais em grade para produto interno bruto e Índice de Desenvolvimento Humano durante 1990–2015,” Dados científicos, vol. 5, pág. 180004, 2018, doi: 10.1038/sdata.2018.4.
(11) H. Simon, “Racionalidade Limitada”, em Utilidade e probabilidade: Springer, 1990, pp.
(12) E. Bardazzi e F. Bosello, “Reflexões críticas sobre o nexo água-energia-alimentos em modelos de equilíbrio geral computável: uma revisão sistemática da literatura,” Modelagem Ambiental e Software program, vol. 145, pág. 105201, 2021/11/01/2021, doi: 10.1016/j.envsoft.2021.105201.
(13) J. Karjalainen, M. Käkönen, J. Luukkanen e J. Vehmas, “Modelos e cenários energéticos na period das mudanças climáticas,” Finlândia: Centro de Pesquisa de Futuros da Finlândia, 2014.
(14) JD Farmer e D. Foley, “A economia precisa de modelagem baseada em agentes”, Natureza, vol. 460, não. 7256, pp. 685-686, 2009, doi: 10.1038/460685a.
(15) E. Petracca, “Simulando Marx: a abordagem cognitivista de Herbert A. Simon ao materialismo dialético”, História das Ciências Humanas, pág. 09526951211031143, 2021.
(16) Ok. Hansen, “Tomada de decisão com base nos custos de energia: Comparando o custo nivelado de energia e os custos do sistema energético”, Revisões da Estratégia Energética, vol. 24, pp. 68-82, 2019/04/01/2019, doi: 10.1016/j.esr.2019.02.003.
